基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

天山北坡不同坡向旱地春小麦叶片叶绿素含量高光谱遥感监测研究

[目的]依据野外实测的旱地春小麦叶绿素含量、冠层反射光谱及土壤含水率,比较了不同坡向旱地春小麦叶绿素含量、冠层光谱、光谱一阶微分的差异,分别建立适合不同坡向旱地春小麦叶绿素含量监测模型并检验模型精度.[方法]用相关分析法分析微分指数与叶绿素含量的相关性.[结果]春小麦叶绿素含量因坡向不同而存在差异,表现出阴坡地最高,双面坡地次之,阳坡地最低.可见光区域,阴坡地春小麦“峰谷”特征明显,阳坡地和双面坡地无此特征;近红外波段,旱地春小麦冠层光谱反射率表现出阴坡地＞双面坡地＞阳坡地的特点.[结论]旱地春小麦叶绿素含量与各微分指数的相关性均较好,通过了极显著水平检验.阴坡地与Kpo的相关系数为0.915,大于阳坡地和双面坡地与SDred训和SDg的相关系数0.906和0.908.利用与不同坡向旱地春小麦叶绿素相关系数最大的微分指数建立的叶绿素含量监测模型表明,各地类春小麦叶绿素含量的监测均可用抛物线模型,预测精度分别达97.5;、95.7;和97.8;.     

苹果冠层叶绿素含量高光谱估算模型

【目的】 研究一种快速、简便、无损的苹果冠层叶绿素含量估测模型。探索苹果品种岩富10号冠层的高光谱特征和叶绿素含量的估测方法,为该地区岩富10号苹果营养的快速诊断奠定基础,为红富士苹果精准化管理和-7光谱尺度研究提供参考依据。【方法】以红富士苹果(Malus domestica Borkh. cv. Red Fuji)主栽品种岩富10号叶绿素含量以及冠层高光谱反射率为数据源,分析叶绿素含量与冠层原始光谱(R)、微分光谱(R')之间的相关关系,利用敏感波段建立新的对应关系,构建岩富10号叶绿素含量的多种回归估测模型,并对不同模型进行了精度评价。【结果】微分光谱用于岩富10号叶绿素含量的估测精度要显著高于原始光谱反射率;利用敏感波段组合新定义的衍生变量拟合程度更优;在多种回归方式中,三次多项式模型的拟合程度最好,最优模型为357 nm等7个波段组合定义的新植被指数所建立的三次多项式模型,其精度为0.839。【结论】应用光谱技术对南疆塔里木盆地阿克苏地区岩富10号叶绿素含量进行定量反演是可行的。     

基于高光谱的苹果盛果期冠层叶绿素含量监测研究

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素（Chl(a+b)）含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978 +0.20(log1/R)2407 -0.10(log1/R)2440+4.749。【结论】用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据。     

高光谱评价植被叶绿素含量的研究进展

重点介绍利用便携式光谱仪获得的高光谱数据在评价植被叶绿素含量的研究状况。从叶绿素的光谱特性入手。通过和传统宽波段对比阐述高光谱数据在评价植被叶绿素中的特点。在此基础上简要介绍了高光谱遥感数据估计植被叶绿素含量两种方法的研究进展。一是利用光谱数据。植被指数，导数光谱评价植被叶绿素密度或浓度。二是利用红边光学参数评价植被叶绿素密度或浓度，并分析了研究中可能存在的问题。     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

基于高光谱和HJ-1 CCD的水旱地冬小麦叶绿素含量反演

叶绿素作为绿色植物光合作用的必要组成成分,其含量的高低可反映作物的长势状况。实时监测植物叶片叶绿素含量的动态变化是监测植物长势的重要环节。以山西省闻喜县冬小麦为研究对象,基于高光谱技术和实测数据,对研究区冬小麦拔节期的叶绿素含量进行定量估算,并在此基础上利用卫星遥感数据对冬小麦的叶绿素含量进行反演,以达到仅应用卫星遥感数据估测叶绿素含量的目的。结果表明,水旱地冬小麦叶绿素含量敏感波段在可见光区域不同,在近红外区域一致;水旱地分别以DVI和NDVI为变量所构建的预测模型效果最佳,R2值均达到0.9以上,均方根误差分别为0.470 0和0.458 7;对叶绿素含量反演值与实测值对比分析,水地反演值与实测值大致吻合,而旱地反演值则偏高;采用均方根误差(RMSE)法,检验反演值和实际值的符合度,水地RMSE为0.926,旱地RMSE为1.540。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

基于高光谱数据的滴灌甜菜叶绿素含量估算

为明确甜菜叶绿素含量与高光谱植被遥感的定量关系,探索建立干旱区甜菜叶绿素含量估测模型,即时监测甜菜生长状况,选取新疆滴灌甜菜（Beta356）为研究对象,利用ASD野外高光谱仪在甜菜叶丛快速生长期、块根膨大期与糖分积累期采集各处理反射光谱,并同时测定叶绿素含量,分析原始光谱反射率和一阶微分光谱反射率与叶绿素含量的相关关系,并进一步建立光谱特征参数和敏感波段植被指数叶绿素含量估算模型。结果表明：原始光谱反射率在近红外区（700~1 300 nm）随着氮素水平的增加呈先升高后降低趋势,红边（680~760 nm）也表现出相同趋势,原始光谱反射率在近红外区（700~1 300 nm）随着运筹管理的递进呈现升高趋势,红边（680~760 nm）也表现出相同趋势;原始光谱反射率和一阶微分反射率与叶绿素含量均具有较好的相关性,其最大正相关分别位于902 nm（r=0.574,P<0.01）和676 nm（r=0.843,P<0.01）附近,最大负相关分别位于611 nm（r=-0.664,P<0.01）和1 138 nm（r=-0.727,P<0.01）附近。对所建12个线性模型进行精度检验,其中差值植被指数DR₆₇₆–DR₄₄₆和DR₆₇₆估算模型的预测值与实测值的决定系数分别达到0.774和0.781,以DR₆₇₆所建立的估算模型最优。本研究为快速无损监测甜菜生长状况、制定氮素管理方案、指导甜菜氮肥管理提供支持。     

栽培措施对小麦叶绿素含量及光合速率的影响

以扬麦12为材料,在大田稻茬栽培条件下研究不同播量、行距及氮素运筹栽培措施对小麦叶绿素含 量、光合速率及产量构成因素的影响。结果表明,在施氮总量为150~300 kg·hm^-2下,基氮比例60%、叶龄余数为1时追施40%氮肥处理时,后期叶绿素含量明显高于全部基施氮肥;基本苗225万·hm^-2时小麦产量极显著高于基本苗300万·hm^-2和 375万·hm^-2。     

不同施氮量对花后高温春小麦叶绿素含量及荧光特性的影响

[目的]研究不同施氮量对花后高温下春小麦叶绿素荧光特性的影响,为分析氮素营养调控春小麦高温危害的内在机理提供理论依据.[方法]以宁春4号和宁春47号为材料,设施纯氮120 kg/ha(N1)、240 kg/ha(N2)和300 kg/ha(N3)3个施氮量处理,以不施氮为对照(CK),于花后18~22 d进行(35±2)℃高温处理,测定花后7、14、23、28和33 d不同处理的叶绿素含量及荧光参数.[结果]高温胁迫后(花后23~33 d),与CK相比,3个氮肥处理整体上可增加宁春4号和宁春47号的叶片SPAD值、最大荧光(Fm)和可变荧光(Fv),降低初始荧光(Fo),使Fv/Fo、Fv/Fm上升、Fo/Fm下降,其中N1和N2处理较CK增加或降低的幅度较明显.同时,花后23~28 d,N1和N2处理的单位反应中心吸收的光能(ABS/RC)、单位反应中心捕获的用于还原QA的能量(TR0/RC)和单位反应中心耗散的能量(DI0/RC)显著高于CK(P<0.05,下同),花后33 d时显著低于CK;单位反应中心捕获的用于电子传递的能量(ET0/RC)在花后23~33 d均表现为N2>N1>N3>CK.[结论]适量施用氮肥可缓解高温对春小麦光合器官结构和功能的伤害,有助于提高其光合性能.     

基于高光谱参量茶叶叶绿素含量估算模型研究

根据实测叶绿素含量数据,采用原始光谱、导数光谱技术分析,得到估算铁观音茶树鲜叶叶绿素含量的光谱特征参数（DV640,R716）,构建叶绿素含量的光谱参量模型,结果表明：用第5、6片叶的DV640参量构建模型估测精度较高,最高达到93％.     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

西北旱区不同覆膜和灌溉水平下的玉米冠层氮含量垂直分布及高光谱反演

为探究不同覆膜和灌溉水平下玉米叶片氮含量垂直分布特征及其遥感反演规律,2020年在甘肃省武威绿洲农业高效用水国家野外科学观测研究站进行大田试验,设置3种灌水量水平(春玉米灌溉需水量的100%(W₁₀₀)、70%(W₇₀)和40%(W₄₀))和3种覆膜处理(不覆膜(M₀)、普通塑料膜(M₁)和生物可降解膜(M₂)),测定春玉米在不同灌水量和覆膜条件下叶片氮含量垂直分布、冠层反射特征和反射率与叶片氮含量等指标,并采用随机森林法构建氮含量估测模型分析垂直分布的叶片氮含量。结果表明,相同灌水处理的玉米冠层叶片中氮含量由高到低为M₀>M₂>M₁,M₀比M₂的上、中、下部位叶片氮含量分别增加6.78%、5.11%、2.55%,M₂比M₁的上、中、下部位叶片氮含量分别增加7.14%、5.24%、5.39%。...     

Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters

Waterlogging is becoming an obvious constraint on food production due to the frequent occurrence of extremely high-level rainfall events. Leaf water content(LWC) is an important waterlogging indicator, and hyperspectral remote sensing provides a non-destructive, real-time and reliable method to determine LWC. Thus, based on a pot experiment, winter wheat was subjected to different gradients of waterlogging stress at the jointing stage. Leaf hyperspectral data and LWC were collected every 7 days after waterlogging treatment until the winter wheat was mature. Combined with methods such as vegetation index construction, correlation analysis, regression analysis, BP neural network(BPNN), etc., we found that the effect of waterlogging stress on LWC had the characteristics of hysteresis and all waterlogging stress led to the decrease of LWC. LWC decreased faster under severe stress than under slight stress, but the effect of long-term slight stress was greater than that of short-term severe stress. The sensitive spectral bands of LWC were located in the visible(VIS, 400–780 nm) and short-wave infrared(SWIR, 1 400–2 500 nm) regions. The BPNN Model with the original spectrum at 648 nm, the first derivative spectrum at 500 nm, the red edge position(λr), the new vegetation index RVI(437, 466), NDVI(437, 466) and NDVI′(747, 1 956) as independent variables was the best model for inverting the LWC of waterlogging in winter wheat(modeling set: R~2=0.889, RMSE=0.138; validation set: R~2=0.891, RMSE=0.518). These results have important theoretical significance and practical application value for the precise control of waterlogging stress.